基于深层循环神经网络的冷连轧轧制板形动态预测方法技术

本发明专利技术涉及基于深层循环神经网络的冷连轧轧制板形动态预测方法，属于冶金自动化、智能化技术领域。本发明专利技术提供一种基于堆叠循环神经网络对冷连轧中间机架轧制板形进行动态预测的方法。首先建立一个由机架轧制参数和板形控制参数作为输入层，以分布式板形值作为输出层，具有两个隐藏层并以冷轧机组机架数为时间序列展开的深层循环神经网络；然后利用冷轧机组历史轧制时序数据，板形辊测量数据和通过影响函数法获得的中间机架轧制板形计算数据作为训练数据对所建立的板形预报网络进行离线预训练和二次训练；将经过验证后完成训练的板形预报网络用于冷轧生产过程中各机架轧制板形的动态预测。形的动态预测。形的动态预测。

【技术实现步骤摘要】
基于深层循环神经网络的冷连轧轧制板形动态预测方法


[0001]本专利技术属于冶金自动化和智能化控制
，特别涉及一种基于深层循环神经网络的冷连轧轧制板形动态预测方法。

技术介绍

[0002]板形是衡量冷轧带材产品质量的一项关键指标。板形的在线检测主要依靠安装在机架出口处的板形仪。因板形仪价格昂贵，通常冷连轧机组仅在末机架出口位置安装一台板形仪进行板形检测和末机架板形闭环反馈控制，在一些生产高端汽车板的冷连轧生产线，在冷轧机组的首台轧机出口也开始安装一台板形仪进行板形检测。但是冷轧机组中间机架出口板形因没有检测装置而难以直接获得，一般是通过板形预设定计算来进行预测，属于静态预测，而在轧制过程中因轧制参数或板形控制参数实时变化，依靠传统的板形预设定模型难以实现对中间机架轧制板形的动态预测。
[0003]现有的冷连轧板形自动控制系统主要是在末机架进行板形前馈和板形闭环反馈控制，如果末机架所有的板形执行机构调节值均达到极限也无法消除板形偏差时，板形缺陷将无法继续减轻或消除。但从冷轧机组整体而言，中间机架的板形控制能力还很富裕，通过板形遗传效应也可以影响下游机架和末机架的轧制板形，因此，如能将中间机架纳入到板形闭环反馈控制中，就可以继续降低板形偏差，从而增大冷轧机组的板形控制能力。为此，对中间机架开展板形精准预测就很有必要。
[0004]循环神经网络(Recurrent Neural Network,RNN)由输入层、隐藏层和输出层构成，其中隐藏层为时间循环层，每个隐藏层神经元接受当前时刻的输入和上一时刻隐藏层神经元的输出，然后再经过激活函数变换得到输出，并传递给下一时刻的隐藏层神经元。为增强循环神经网络的能力，可通过增加同一时刻网络输入到输出之间的路径，也就是增加隐藏层层数，构造堆叠循环神经网络(Stacked Recurrent Neural Network,SRNN)。循环神经网络的训练算法常采用随时间反向传播算法(Back Propagation Through Time,BPTT)。

技术实现思路

[0005]本专利技术针对冷连轧中间机架轧制板形不可测量，也难以动态预测的问题，提出一种基于深层循环神经网络的冷连轧轧制板形动态预测方法，特别是可以对通常不放置板形仪的中间机架的轧制板形进行动态预测。如图1所示，首先基于堆叠循环神经网络建立冷连轧机组轧制板形预报网络，利用冷轧机组历史轧制时序数据、历史板形数据和通过影响函数法获得的中间机架轧制板形计算数据对所述板形预报网络进行离线训练；其次在带材冷轧之前，将带材冷轧轧制规程(轧制参数)和板形控制参数预设定值输入到所述板形预报网络进行静态预测；接着在带材开始轧制阶段完成所述板形预报网络参数的自适应，然后每隔一定时间将实际轧制时序数据和板形控制参数输入到所述板形网络中进行板形动态预测直到带材轧制结束；最后比较实测板形值和预测板形值，如果偏差过大，可对所述板形预报网络参数进行调优，更新所述板形预报网络。
[0006]具体地，本专利技术的方法包括以下步骤：
[0007]步骤1：按照深层循环神经网络型式，建立冷连轧轧制板形预报网络：
[0008]深层循环神经网络型式如图2所示，板形预报网络由输入层、两个隐藏层和输出层构成；所述板形预报网络输入层有N个神经元，用于接收冷轧轧制参数和板形控制参数(RC)的输入，N值与冷轧轧制参数和板形控制参数的总数相对应；所述板形预报网络的输出层(F)有Q个神经元，输出机架轧制板形值，Q值与冷轧机组配备的板形辊检测单元个数一致，并一一对应；所述的板形预报网络的隐藏层有2层，第1隐藏层(H
(1)
)和第2隐藏层(H
(2)
)的神经元个数分别为P个和Q个。输入层与第1隐藏层神经元进行全连接，连接的权值矩阵为U；第1隐藏层与第2隐藏层神经元也进行全连接，连接权值矩阵为V；第2隐藏层神经元与输出层神经元直接连接、一一对应，输出层仅用于接收第2隐藏层神经元的输出，起连接作用，无神经元激活响应。
[0009]两个隐藏层均是时间序列层，时间序列t＝(1,2,
…
,n)，共n个时间序列层数，并且时间序列层数与冷轧机组机架数n一致，在第2隐藏层或者说输出层，第t个时间序列的结果输出，冷轧机组轧制第t个机架出口的板形预测值。
[0010]对时间序列t，隐藏层的输入除了与输入层(对于第1隐藏层来说)或者上一隐藏层(对于第2隐藏层来说)同一时间序列t的输出有关，还会受到同一隐藏层内时间序列t
‑
1输出的影响。在第1隐藏层，时间序列t
‑
1部分影响所占权值为W
(1)
，在第2隐藏层，时间序列t
‑
1部分影响所占权值为W
(2)
。将所有时间序列展开，所述板形预报网络的整体结构如图3所示。优选地，所述的板形预报网络的隐藏层神经元均采用公式(1)所示的Tanh激活函数。
[0011][0012]对冷连轧机组而言，各机架轧制板形不仅与自身的板形控制有关，也与上游机架轧制板形控制有关，甚至来料板形也对各机架轧制板形有一定的影响。另外，板形与板厚是紧密相关的，各机架的轧制板形和轧制厚度具有明显的时间关联性和整体逻辑特性，因此各机架的轧制数据和板形数据明显具有时间序列的特点，通过时间序列的逐层传播，自然地对后续冷轧机轧制板形施加影响，类似于冷连轧逐架轧制产生的上游机架的轧制板形对下游机架甚至成品板形的遗传效应。本专利技术中，将隐藏层的数量设为2层，目的是让第一层初步模拟轧制过程中的厚度控制，第二层在此基础上用于板形控制。优选地，第1隐藏层的神经元个数P可以选择比Q小一些。
[0013]步骤2：网络训练数据准备。利用冷轧机组各机架轧制参数数据和板形控制参数、板形辊检测的板形实测数据和通过影响函数法获得的各机架轧制板形计算数据建立网络训练数据集。
[0014]通常来说，如
技术介绍
中所述实际板形检测只在末机架出口设置，或者只在首机架和末机架出口设置。对于中间的其他机架出口的板形数据，无法得到实测板形数值，因而采用影响函数法计算的方式来确定。这样对于一组轧制参数和板形控制参数，可以获得一组相应的板形期望值：对轧后配置板形辊的机架(一般为首个机架和最末机架，或者只是最末机架)，板形期望值为板形实测值；对轧后没有配置板形辊的机架(一般为中间机架)，板形期望值为通过影响函数法获得的相应机架轧制板形计算值。
[0015]所述的机架轧制参数包括钢种、轧制宽度、入口厚度、出口厚度、轧制力、前张力、
后张力、轧制速度等，所述的板形控制参数包括中间辊窜辊值、中间辊弯辊力、工作辊弯辊力、轧辊倾斜值等。所述的轧制参数数据、板形控制参数和板形实测数据均来自于轧制生产过程中保存的模型设定数据和信号检测数据，这些机架相关数据具有时间序列的特点。数据准备包括以下步骤2.1、2.2和2.3。
[0016]步骤2.1：创建样本数据。
[0017]根据历史轧制时序数据，获得不同规格材料(规格包括材料等级、厚度和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深层循环神经网络的冷连轧轧制板形动态预测方法，其特征在于，包括以下步骤：步骤1：按照深层循环神经网络型式，建立冷连轧轧制板形预报网络，板形预报网络的隐藏层为时间序列层，时间序列层数与冷轧机组机架数n一致；步骤2：网络训练数据准备；步骤3：对所述的板形预报网络进行预训练；步骤4：对所述的板形预报网络进行二次训练；步骤5：采用验证集数据对所述的板形预报网络进行验证，当整体板形误差满足给定要求后结束验证，完成训练，进入步骤6；否则对网络参数进行调整，返回到步骤3重新进行预训练；步骤6：将完成训练的板形预报网络用于冷轧生产过程中，各机架轧制板形的动态预测。2.根据权利要求1所述的基于深层循环神经网络的冷连轧轧制板形动态预测方法，其特征在于，所述各步骤具体为：步骤1：按照深层循环神经网络型式，建立冷连轧轧制板形预报网络：所述板形预报网络输入层有N个神经元，用于接收冷轧机轧制参数和板形控制参数的输入；所述板形预报网络的输出层有Q个神经元，与板形辊检测单元的个数一致；所述的板形预报网络的隐藏层有2层，第1隐藏层和第2隐藏层的神经元个数分别为P个和Q个，输入层与第1隐藏层神经元进行全连接，第1隐藏层与第2隐藏层神经元也进行全连接，第2隐藏层神经元与输出层神经元直接连接，两个隐藏层均是时间序列层，时间序列层数与冷轧机组机架数n一致；步骤2：网络训练数据准备：依次进行步骤2.1、2.2和2.3：步骤2.1：创建样本数据：根据历史轧制时序数据，获得不同规格材料的机架轧制参数数据、板形控制参数数据和板形实测数据，并采用影响函数法获得各种规格的材料在相应轧制参数和板形控制参数下，各机架出口板形计算值，对这些数据归集形成网络训练样本数据；步骤2.2：将样本数据划分为训练集数据、测试集数据和验证集数据三类；步骤2.3：对所述样本数据进行标准化处理；步骤3：对所述的板形预报网络进行预训练，训练采用训练集数据和随时间反向传播算法BPTT，当整体板形误差满足给定要求后结束训练；步骤4：对所述的板形预报网络进行二次训练，训练采用测试集数据和随时间反向传播算法BPTT，当整体板形误差满足给定要求后结束训练；步骤5：采用验证集数据对所述的板形预报网络进行验证，当整体板形误差满足给定要求后结束验证，完成训练，进入步骤6；否则对网络参数进行调整，返回到步骤3重新进行预训练；步骤6：将完成训练的板形预报网络用于冷轧生产过程中，各机架轧制板形的动态预测。3.根据权利要求2所述的基于深层循环神经网络的冷连轧轧制板形动态预测方法，其
特征在于，所述步骤6的方法为：步骤6.1：在冷轧实际生产前，将冷轧模型设定的轧制参数数据和板形控制参数初始值进行标准化处理，然后输入到完成验证的板形预报网络，对即将开轧的轧件在经过冷轧机组各机架...

【专利技术属性】
技术研发人员：彭良贵，陈亚飞，李长生，王煜，
申请(专利权)人：东北大学，
类型：发明
国别省市：